Hierarchická architektúra agentov: kedy tímy agentov škálujú

Hierarchickí agenti sú multiagentová architektúra, v ktorej supervisor-agent rozloží komplexnú úlohu, deleguje čiastkové úlohy špecializovaným sub-agentom a zlúči ich výsledky. Namiesto jediného agenta, ktorý všetko vybaví sám, koordinuje nadradená riadiaca inštancia viacerých podriadených workerov a agreguje ich výstup do celkového riešenia. Tento vzor zodpovedá tomu, čo Anthropic nazýva „Orchestrator-Workers“ a CrewAI implementuje ako „Hierarchical Process“.

• Supervisor: plánuje, rozkladá, deleguje a agreguje, sám však nevykonáva odbornú detailnú prácu.
• Sub-agenti: úzko špecializovaní workeri s vlastným promptom a vlastnými nástrojmi, z ktorých každý rieši jednu čiastkovú úlohu.
• Škálovanie: oplatí sa, keď sú úlohy jasne rozložiteľné a paralelizovateľné, inak je jediný agent lacnejší.

Ako funguje hierarchická architektúra

V jadre je hierarchia rozšírením logiky orchestrator-worker, pri ktorej koordinujúci LLM dynamicky rozloží úlohu na čiastkové úlohy a rozdelí ich podriadeným jednotkám. Anthropic opisuje príslušný vzor v článku „Building Effective Agents“ (december 2024) pod názvom „Orchestrator-Workers“ ako jeden z piatich kanonických vzorov workflow. Koncepčne je príbuzný so vzorom Plan-and-Execute, ako ho implementuje napríklad LangChain/LangGraph: aj tam plán vytvorí jeden model a vykonajú ho oddelené kroky. Ako typické použitie vzoru Orchestrator-Workers uvádza Anthropic produkty na programovanie, ktoré pri každej úlohe robia komplexné zmeny vo viacerých súboroch.

Priebeh má podobu opakujúcej sa slučky:

1. Supervisor dostane úlohu a vytvorí plán, resp. rozklad na čiastkové úlohy.
2. Pre každú čiastkovú úlohu vyberie vhodného sub-agenta a deleguje mu ju s potrebným kontextom.
3. Sub-agenti vykonajú svoju čiastkovú úlohu, typicky ako samostatní ReAct agenti s vlastnými nástrojmi, a vrátia čiastkový výsledok.
4. Supervisor agreguje čiastkové výsledky, skontroluje ich úplnosť a rozhodne: ďalšia delegácia alebo finálna odpoveď.

Dôležité je oddelenie rolí. Supervisor robí plánovacie a koordinačné rozhodnutia; odbornú detailnú prácu sám nevykonáva. Práve toto oddelenie umožňuje nákladovo efektívnu voľbu modelov, poznatok, ktorý pochádza priamo zo vzoru Plan-and-Execute: veľký model na náročnú plánovaciu úlohu, menšie a lacnejšie modely na vykonávanie jednotlivých krokov v sub-agentoch.

Diagram slovami

Predstav si strom s tromi úrovňami. V koreni je požiadavka používateľa. O úroveň nižšie stojí uzol supervisora, ktorý požiadavku rozdelí na viacero vetiev. Každá vetva končí v uzle sub-agenta, napríklad „výskumník“, „dátový analytik“, „copywriter“, ktorý so svojimi nástrojmi beží vo vlastnej malej ReAct slučke (Thought → Action → Observation). Výsledky prúdia pozdĺž vetiev späť k supervisorovi, ktorý ich v koreni zlúči do jednej odpovede. Presne tento obraz opisuje aj výskumný vzor ReAcTree (Choi et al., arXiv:2511.02424, AAMAS 2026), ktorý rozširuje ReAct na hierarchický strom agentov a na benchmarku WAH-NL dosahuje približne +30 percentuálnych bodov oproti jednoduchému ReAct.

Kedy hierarchia škáluje

Hierarchia nie je samoúčelná. Oplatí sa vtedy, keď to štruktúra úlohy dovoľuje:

• Rozložiteľnosť: Úloha sa rozpadá na viac ako tri prevažne nezávislé čiastkové kroky.
• Špecializácia: Čiastkové kroky vyžadujú rôzne doménové znalosti alebo rôzne nástroje.
• Dlhý horizont: Jediný agent by počas mnohých krokov stratil pôvodný cieľ z kontextu (v praxi je hranica ReAct slučky často 10 až 25 krokov, kým začne prevládať strata kontextu alebo „reasoning drift“).
• Paralelizmus: Viacero čiastkových úloh sa dá vybaviť súčasne.

Najdôležitejšie usmernenie pre produkčné systémy prináša Cognition (tím, ktorý stojí za Devinom). V článku „Don't Build Multi-Agents“ (jún 2025) tím varoval, že paralelní agenti prijímajú implicitne protichodné rozhodnutia a výsledok je krehký, a odporučil jednovláknových, lineárnych agentov. Ako príklad zámerne jednoduchého použitia sub-agentov uviedol Claude Code (stav jún 2025): jeho sub-agenti vtedy nikdy nepracovali paralelne s hlavným agentom a väčšinou len odpovedali na jednu otázku, namiesto toho, aby písali kód. V článku „Multi-Agents: What's Actually Working“ (apríl 2026) tím Cognition svoju pozíciu spresnil: viacagentové systémy fungujú najlepšie, keď zápisy zostávajú v jednom vlákne a ďalší agenti prispievajú poznatkami, namiesto toho, aby sami konali. V skratke: read-parallel, write-single-threaded. Okrem toho môže pri Devinovi manager-Devin rozložiť väčšiu úlohu, nechať čiastkové úlohy vykonať podriadených Devinov (child-Devinov) a koordinovať ich postup cez interný MCP. Podľa Cognition to už beží v produkcii, no kým táto delegácia fungovala koherentne, bolo treba viac context engineeringu, než sa čakalo. Pre prax z toho vyvodzujeme: ako štandard jeden silný agent s nástrojmi, paralelní sub-agenti na získavanie informácií, ale nikdy viacero agentov, ktorí paralelne menia ten istý stav. Čiastkové úlohy, ktoré zapisujú, deleguj len ako jasne oddelené pracovné balíky pod jedným managerom.

Výhody a riziká

Dominantnou nevýhodou je koordinačná réžia. Každý ďalší agent znamená dodatočné volania LLM na plánovanie, delegovanie a agregáciu a k tomu riziko, že sa pri odovzdávaní kontextu stratia informácie. Preto platí všeobecné praktické pravidlo z Anthropicovej eseje a z blogu Cognition: začať najjednoduchším vzorom, ktorý funguje (väčšinou jeden ReAct agent), a na plánovanie, reflexiu alebo hierarchiu prejsť až vtedy, keď si to vynútia namerané typy zlyhaní. Anthropic navyše varuje, že frameworky pridávajú ďalšie vrstvy abstrakcie, ktoré zakrývajú prompty a odpovede a zvádzajú k zbytočnej zložitosti.

Vymedzenie voči plochým multiagentovým systémom

V plochom multiagentovom systéme komunikujú rovnocenní agenti priamo medzi sebou a neexistuje centrálna riadiaca inštancia, ktorá deleguje a agreguje. Je to flexibilné, ale bez koordinujúcej inštancie agenti ľahko prijímajú implicitne protichodné rozhodnutia, pretože nikto z nich nemá celkový kontext. Samotný supervisor to nevyrieši: v príklade s hrou Flappy Bird z článku „Don't Build Multi-Agents“ rozloží hlavný agent úlohu a sub-agenti napriek tomu dodajú nezlučiteľné čiastkové výsledky, pretože im chýba kontext a žiadny z nich nevidí, čo stavia ten druhý.

V hierarchickom systéme sústreďuje zodpovednosť supervisor. Je jediným aktérom s celkovým prehľadom, zadáva jasné čiastkové úlohy a integruje výsledky. To znižuje riziko protichodných rozhodnutí, pokiaľ supervisor odovzdáva úplný kontext a zápisy zostávajú v jednom vlákne. Cenou je centrálne úzke miesto a ďalšie koordinačné kroky. Pre väčšinu B2B scenárov v regióne DACH s požiadavkami na compliance je hierarchický variant predvídateľnejší, pretože cesta delegovania zostáva auditovateľná.

Frameworky a implementácia (stav 2026)

• CrewAI: priama zhoda. Process.hierarchical aktivuje managera (manager_agent alebo manager_llm), ktorý deleguje úlohy agentom v crew a pridáva manažérsku úroveň preplánovania. S Crew(planning=True) navyše AgentPlanner pred každou iteráciou vytvorí plán krok za krokom. CrewAI je v oblasti marketingovej automatizácie v regióne DACH značne rozšírený.
• LangGraph: ako stavový graf (state graph) so supervisor uzlom a viacerými ReAct sub-agentmi (create_react_agent, v API z roku 2026 čoraz častejšie langchain.agents.create_agent s middleware). Tutoriály Plan-and-Execute a ReWOO poskytujú stavebné bloky pre plánovanie a delegované vykonávanie.
• Microsoft Agent Framework: Orchestrácia Magentic nasadzuje manager-agenta, ktorý vytvorí plán, prideľuje čiastkové úlohy worker-agentom, sleduje postup a keď sa práca zasekne, plánuje nanovo. Pri jednoduchšej koordinácii v Group Chat určuje orchestrator, ktorý agent pracuje ako ďalší. AutoGen je v režime údržby; pri nových projektoch sa odporúča Microsoft Agent Framework.
• n8n: realistické pre orchestrované dávkové workflow (planner-agent plus workeri sprístupnení ako nástroje cez sub-workflow), ale stavové slučky naprieč viacerými behmi zvládne len s externou pamäťou.

Praktický príklad: konkurenčná analýza ako agentúrny workflow

Agentúra má vypracovať konkurenčnú analýzu pre B2B klienta. Jediný agent by počas mnohých volaní nástrojov stratil cieľ. Hierarchicky vyzerá priebeh takto (pseudokód):

```
Supervisor.plan("Konkurenčná analýza pre klienta X"):
-> Čiastková úloha 1: research_agent("Top-5 konkurentov + pozicionovanie")
-> Čiastková úloha 2: pricing_agent("zachytiť verejné cenové modely")
-> Čiastková úloha 3: seo_agent("organická viditeľnosť konkurentov")
# 1-3 bežia paralelne (read-only)

results = gather(1, 2, 3) # paralelní čítajúci sub-agenti
Supervisor.aggregate(results) # jediný zapisujúci krok
-> writer_agent("Manažérske zhrnutie z podkladov") # single-threaded
```

Traja čítajúci sub-agenti pracujú paralelne a dodávajú podklady; supervisor ich zlúči a presne jeden zapisujúci krok (napísanie zhrnutia) zostáva v jednom vlákne. Workflow tak sleduje princíp, ktorý odporúča Cognition: čítať paralelne, zapisovať len v jednom vlákne. Vďaka odstupňovaniu modelov (veľký model pre supervisora a copywritera, lacnejší pre čítajúcich workerov) je pri viacstupňových workflow realistická úspora nákladov približne 40 až 70 % oproti variantu s drahým modelom vo všetkých krokoch (rádovo, stav 2026; meraj na vlastnej záťaži).

Pre agentúry a B2B

Hierarchickí agenti nie sú predvolená voľba, ale vedomá eskalácia. Pre agentúry to znamená: rozložiteľné, opakujúce sa výstupy, napríklad rešeršné briefingy, reporty alebo obsahové pipeline, sa hodia pre supervisora so špecializovanými čítajúcimi sub-agentmi, zatiaľ čo posledný krok, ktorý mení stav, zostáva centrálny. Pre B2B rozhodovateľov v regióne DACH je auditovateľnosť cesty delegovania (úplné ukladanie trace záznamov s odstránením osobných údajov) z hľadiska GDPR a EU AI Act konkrétnou výhodou. Kto chce evaluovať hierarchický agentový workflow pre marketing alebo prevádzku, mal by začať jedným merateľným prípadom, držať najjednoduchší fungujúci vzor ako baseline a na hierarchiu prejsť až pri preukázanom prínose. Blck Alpaca sprevádza toto architektonické rozhodnutie v rámci integrácie AI agentov od rozkladu úloh až po produkčnú implementáciu v súlade s compliance.